显著性目标检测是指快速有效地提取出场景中人类感兴趣的目标区域。在过去,为了便于广泛的视觉应用,各种显著性目标检测（Salient Object Detection,SOD）模型生成的结果被直接应用于图像分割、编辑以及操作、视觉跟踪和用户界面优化等。这些应用程序之所以取得了前所未有的突破,很大程度上是因为大量像素级标注数据集的公开。然而,显著性目标检测模型的训练常常受到标注成本的限制。因此,降低样本标记的成本是当前最紧迫的问题之一。基于此,本文围绕面向困难样本主动采样的显著性目标检测方法展开研究,具体内容如下:（1）针对显著性目标检测领域中,由于困难样本与简单样本数量不平衡而造成训练数据冗余的问题,本文提出一种基于不确定性的困难样本采集策略。本文将不确定性作为困难样本的评定标准。同时,在样本的标注过程中,更着重于困难样本的标注。引入不确定性的目的是选择信息量最大的困难样本对现有模型进行再训练,从而使训练样本数量最小化,模型性能最大化。实验表明,困难样本对模型的训练更为有效,同时,可以有效减少模型训练所需的数据量。（2）针对于SOD模型的训练依赖于丰富的标注数据,而标注数据需要耗费大量人力且价格昂贵的人工进行标注。为了减少显著性区域的标注,本文提出了一种联合全局-局部主动采样的显著性目标检测策略。首先,从主动学习框架出发,将联合全局-局部不确定性作为衡量标准。该方法由显著性预测模块和主动采样模块两部分组成。显著性预测模块预测图像的显著性,为主动采样模块提供显著性预测图。然后主动采样模块测量显著性预测图的不确定性,为模型选择信息量较大的样本。将选择的样本通过手工标注后,添加到新构建的训练集中,对显著性预测模型进行重训练。DUTS数据集上的实验结果表明,与最先进的SOD模型相比,该模型可以有效减少48.3%的数据量,且具有良好的性能。本文结合困难样本采集策略,以减少显著性训练样本数量为目标,分别从局部不确定以及全局不确定出发,对SOD模型预测结果进行了研究。并且将该采集策略结合主动学习框架应用于深度学习模型中,同时将所提出的方法与主流的SOD模型进行了全面的对比实验,取得了不错的成绩。该策略对数据采样、SOD模型高效训练等相关研究具有一定的参考价值。